12113 ورقة بحثية
يُعد WorldKV إطار عمل لا يتطلب تدريباً يُمكّن من توليد فيديو تلقائي الترتيب بشكل متسق وفي الوقت الفعلي عبر الجمع بين الاسترجاع الانتقائي لقطع ذاكرة التخزين المؤقت (KV-cache) المُطرودة مع ضغط الرموز للحفاظ على ذاكرة العالم طويلة المدى، مع مضاعفة معدل الإنتاجية مقارنة بنهج الـ KV الكامل.
تُثبت هذه الورقة أن تدريب نماذج الرؤية الحاسوبية حصرياً على صور وجوه اصطناعية عالية الدقة كافٍ لتحقيق أداء يضاهي النماذج المرجعية القائمة على البيانات الحقيقية للتعرف على الأمراض النادرة لدى الأطفال، مما يقدم حلاً يحافظ على الخصوصية للتغلب على الندرة الشديدة في البيانات في الإعدادات السريرية.
تقدم الورقة البحثية Cambrian-P، وهو نموذج لغوي كبير متعدد الوسائط للفيديو يدمج وضعية كاميرا كل إطار كإشارة إشرافية خفيفة الوزن لتعزيز الاستدلال المكاني والفهم العام للفيديو بشكل كبير من خلال نمذجة المشهد ثلاثي الأبعاد المستمر بدلاً من معاملة الإطارات كلقطات ثنائية الأبعاد معزولة.
تحدد هذه الورقة البحثية "العمى عن الحركة الاتجاهية" في النماذج اللغوية المرئية الكبيرة (Video-LLMs)، حيث تفشل النماذج في تفسير اتجاهات الحركة الموقعة بشكل صحيح رغم احتفاظها بالإشارات البصرية الأساسية، وتقترح DeltaDirect، وهو هدف على مستوى جهاز الإسقاط (projector-level) قائم على التشخيص، يعمل على تحسين دقة اتجاه الحركة بشكل كبير من خلال الضبط الدقيق للتعليمات المتخصص على مجموعة بيانات MoDirect المقدمة.
تُعد E2GS طريقة مبتكرة تدمج بيانات الكاميرا الحدثية مع تقنية Gaussian Splatting لتحقيق تركيب مناظر جديدة عالية الجودة وإزالة ضبابية الصور بفعالية، مع سرعات تدريب ورندرة أسرع بكثير مقارنة بنهج NeRF التقليدي.
تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة متعددة الوسائط والمنضبطة بالتعليمات تُبدي محاذاة أقوى وأكثر تخصصاً في المهام مع نشاط الدماغ البشري أثناء مشاهدة الأفلام الطبيعية مقارنة بالنماذج غير المنضبطة بالتعليمات ونماذج التعلم بالسياق، مما يشير إلى أن الضبط بالتعليمات ينظم التمثيلات حول المتطلبات الوظيفية للمهام بدلاً من الدلالات السطحية.
تتقصى هذه الورقة البحثية كيف تمثل نماذج الانتشار من نوع "ترانسفورمر" لتحويل النص إلى صورة مفاهيم المحتوى والأسلوب في المطالبات الفنية وتفصل بينهما داخلياً دون إشراف صريح، كاشفةً من خلال تحليل الانتباه المتقاطع أن هذه النماذج غالباً ما تظهر قدرة ناشئة على عزو المناطق المتعلقة بالأجسام إلى رموز المحتوى ومناطق الملمس أو الخلفية إلى رموز الأسلوب.
تقترح هذه الورقة إطار عمل يوسع أنظمة تتبع متعدد الكاميرات ثنائية الأبعاد عبر الإنترنت الحالية إلى الفضاء ثلاثي الأبعاد من خلال الاستفادة من إعادة بناء السحابة النقطية القائمة على العمق وآلية تعزيز ربط البيانات، محققة المركز الثالث في لوحة صدارة تحدي AI City لعام 2025 الخاص بالتتبع متعدد الكاميرات ثلاثي الأبعاد (3D MTMC).
تقترح الورقة البحثية إطار عمل STEP، وهو إطار هجين لتقليل الرموز يجمع بين دمج الرقع الفائقة الديناميكي والتقليم عبر الخروج المبكر بواسطة سياسة شبكة عصبية تلافيفية خفيفة الوزن، مما يحسن بشكل كبير من الكفاءة الحسابية وإنتاجية نماذج "Vision Transformers" في مهام التجزئة الدلالية عالية الدقة مع حد أدنى من فقدان الدقة.
تقدم هذه الورقة تحدي الأيقونية البصرية (Visual Iconicity Challenge)، وهو معيار مرجعي جديد قائم على الفيديو يقيم 13 من نماذج الرؤية واللغة الحديثة في قدرتها على ربط أشكال لغة الإشارة الديناميكية بالمعاني، مما يكشف أنه بينما تظهر النماذج الحالية بعض الحساسية تجاه البنى المرتكزة بصرياً، إلا أنها لا تزال تتخلف بشكل كبير عن الأداء البشري في التنبؤ بالأشكال الفونولوجية واستنتاج المعنى من الأيقونية.